推廣 熱搜: 2022  財(cái)務(wù)  微信  法律    網(wǎng)格化  管理  營(yíng)銷  總裁班  安全 

Python數(shù)據(jù)建模

主講老師: 傅一航 傅一航

主講師資:傅一航

課時(shí)安排: 1天/6小時(shí)
學(xué)習(xí)費(fèi)用: 面議
課程預(yù)約: 隋老師 (微信同號(hào))
課程簡(jiǎn)介: 1、 掌握數(shù)據(jù)建模的標(biāo)準(zhǔn)流程。 2、 掌握各種分類預(yù)測(cè)模型的原理,以及算法實(shí)現(xiàn)。 3、 掌握各種分類模型類的重要參數(shù),以及應(yīng)用。
內(nèi)訓(xùn)課程分類: 綜合管理 | 人力資源 | 市場(chǎng)營(yíng)銷 | 財(cái)務(wù)稅務(wù) | 基層管理 | 中層管理 | 領(lǐng)導(dǎo)力 | 管理溝通 | 薪酬績(jī)效 | 企業(yè)文化 | 團(tuán)隊(duì)管理 | 行政辦公 | 公司治理 | 股權(quán)激勵(lì) | 生產(chǎn)管理 | 采購(gòu)物流 | 項(xiàng)目管理 | 安全管理 | 質(zhì)量管理 | 員工管理 | 班組管理 | 職業(yè)技能 | 互聯(lián)網(wǎng)+ | 新媒體 | TTT培訓(xùn) | 禮儀服務(wù) | 商務(wù)談判 | 演講培訓(xùn) | 宏觀經(jīng)濟(jì) | 趨勢(shì)發(fā)展 | 金融資本 | 商業(yè)模式 | 戰(zhàn)略運(yùn)營(yíng) | 法律風(fēng)險(xiǎn) | 沙盤(pán)模擬 | 國(guó)企改革 | 鄉(xiāng)村振興 | 黨建培訓(xùn) | 保險(xiǎn)培訓(xùn) | 銀行培訓(xùn) | 電信領(lǐng)域 | 房地產(chǎn) | 國(guó)學(xué)智慧 | 心理學(xué) | 情緒管理 | 時(shí)間管理 | 目標(biāo)管理 | 客戶管理 | 店長(zhǎng)培訓(xùn) | 新能源 | 數(shù)字化轉(zhuǎn)型 | 工業(yè)4.0 | 電力行業(yè) |
更新時(shí)間: 2023-09-01 11:27


課程目標(biāo)】

本課程主要講解如何利用Python進(jìn)行時(shí)間序列的數(shù)據(jù)建模。

通過(guò)本課程的學(xué)習(xí),達(dá)到如下目的:

1、 掌握數(shù)據(jù)建模的標(biāo)準(zhǔn)流程。

2、 掌握各種分類預(yù)測(cè)模型的原理,以及算法實(shí)現(xiàn)。

3、 掌握各種分類模型類的重要參數(shù),以及應(yīng)用。

4、 掌握模型的評(píng)估指標(biāo)、評(píng)估方法,以及過(guò)擬合評(píng)估。

5、 掌握模型優(yōu)化的基本方法,學(xué)會(huì)超參優(yōu)化。

6、 掌握集成優(yōu)化思想,掌握高級(jí)的分類模型。

7、 

【授課時(shí)間】

2-5天時(shí)間

(要根據(jù)學(xué)員的實(shí)際情況調(diào)整重點(diǎn)內(nèi)容及時(shí)間)

【授課對(duì)象】

業(yè)務(wù)支持部、IT系統(tǒng)部、大數(shù)據(jù)系統(tǒng)開(kāi)發(fā)、大數(shù)據(jù)分析中心、網(wǎng)絡(luò)運(yùn)維部等相關(guān)技術(shù)人員。

【學(xué)員要求】

1、 每個(gè)學(xué)員自備一臺(tái)便攜機(jī)(必須)。

2、 便攜機(jī)中事先安裝好Python 3.9版本及以上。

3、 安裝好Numpy,Pandas,statsmodels,sklearn,scipy等常用庫(kù)。

注:講師現(xiàn)場(chǎng)提供分析的數(shù)據(jù)源。

 

【授課方式】

建模流程+ 案例演練 + 開(kāi)發(fā)實(shí)踐 + 可視化呈現(xiàn)

采用互動(dòng)式教學(xué),圍繞業(yè)務(wù)問(wèn)題,展開(kāi)數(shù)據(jù)分析過(guò)程,全過(guò)程演練操作,讓學(xué)員在分析、分享、講授、總結(jié)、自我實(shí)踐過(guò)程中獲得能力提升。

課程大綱】

第一部分: 預(yù)測(cè)建模基礎(chǔ)

1、 數(shù)據(jù)建模六步法

選擇模型:基于業(yè)務(wù)選擇恰當(dāng)?shù)臄?shù)據(jù)模型

屬性篩選:選擇對(duì)目標(biāo)變量有顯著影響的屬性來(lái)建模

訓(xùn)練模型:采用合適的算法,尋找到最合適的模型參數(shù)

評(píng)估模型:進(jìn)行評(píng)估模型的質(zhì)量,判斷模型是否可用

優(yōu)化模型:如果評(píng)估結(jié)果不理想,則需要對(duì)模型進(jìn)行優(yōu)化

應(yīng)用模型:如果評(píng)估結(jié)果滿足要求,則可應(yīng)用模型于業(yè)務(wù)場(chǎng)景

2、 數(shù)據(jù)挖掘常用的模型

數(shù)值預(yù)測(cè)模型:回歸預(yù)測(cè)、時(shí)序預(yù)測(cè)等

分類預(yù)測(cè)模型:邏輯回歸、決策樹(shù)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等

市場(chǎng)細(xì)分:聚類、RFM、PCA等

產(chǎn)品推薦:關(guān)聯(lián)分析、協(xié)同過(guò)濾等

產(chǎn)品優(yōu)化:回歸、隨機(jī)效用等

產(chǎn)品定價(jià):定價(jià)策略/最優(yōu)定價(jià)等

3、 屬性篩選/特征選擇/變量降維

基于變量本身特征

基于相關(guān)性判斷

因子合并(PCA等)

IV值篩選(評(píng)分卡使用)

基于信息增益判斷(決策樹(shù)使用)

4、 訓(xùn)練模型及實(shí)現(xiàn)算法

模型原理

算法實(shí)現(xiàn)

5、 模型評(píng)估

評(píng)估指標(biāo)

評(píng)估方法

過(guò)擬合評(píng)估

6、 模型優(yōu)化

優(yōu)化模型:選擇新模型/修改模型

優(yōu)化數(shù)據(jù):新增顯著自變量

優(yōu)化公式:采用新的計(jì)算公式

7、 模型應(yīng)用

模型解讀

模型部署

模型應(yīng)用

8、 好模型是優(yōu)化出來(lái)的

 

第二部分: 分類模型評(píng)估

1、 三個(gè)方面評(píng)估:指標(biāo)、方法、過(guò)擬合

2、 兩大矩陣

混淆矩陣

代價(jià)矩陣

3、 六大指標(biāo)

正確率Accuracy

查準(zhǔn)率Precision

查全率Recall

特異度Specify

F度量值(/

提升指標(biāo)lift

4、 三條曲線

ROC曲線和AUC

PR曲線和BEP

KS曲線和KS值

5、 多分類模型評(píng)估指標(biāo)

宏指標(biāo):macro_P, macro_R

宏指標(biāo):micro_P, micro_R

6、 模型評(píng)估方法

原始評(píng)估法

留出法(Hold-Out)

交叉驗(yàn)證法(k-fold cross validation)

自助采樣法(Bootstrapping)

7、 其它評(píng)估

過(guò)擬合評(píng)估:學(xué)習(xí)曲線

殘差評(píng)估:白噪聲評(píng)估

 

第三部分: 邏輯回歸

問(wèn)題:如何評(píng)估客戶購(gòu)買(mǎi)產(chǎn)品的可能性?如何預(yù)測(cè)客戶行為?

如何預(yù)測(cè)客戶流失?銀行如何實(shí)現(xiàn)欠貸風(fēng)險(xiǎn)控制?

1、 邏輯回歸模型簡(jiǎn)介

2、 邏輯回歸的種類

二項(xiàng)邏輯回歸

多項(xiàng)邏輯回歸

3、 邏輯回歸方程解讀

4、 帶分類自變量的邏輯回歸

5、 邏輯回歸的算法實(shí)現(xiàn)及優(yōu)化

迭代樣本的隨機(jī)選擇

變化的學(xué)習(xí)率

6、 邏輯回歸+正則項(xiàng)

7、 求解算法與懲罰項(xiàng)的互斥關(guān)系

8、 多元邏輯回歸處理

ovo

ovr

9、 邏輯回歸建模過(guò)程

案例sklearn庫(kù)實(shí)現(xiàn)銀行貸款違約預(yù)測(cè)

案例:訂閱者用戶的典型特征(二元邏輯回歸)

案例:通信套餐的用戶畫(huà)像(多元邏輯回歸)

 

第四部分: 決策樹(shù)

1、 分類決策樹(shù)簡(jiǎn)介

演練:識(shí)別銀行欠貨風(fēng)險(xiǎn),提取欠貸者的特征

2、 決策樹(shù)的三個(gè)關(guān)鍵問(wèn)題

最優(yōu)屬性選擇

熵、基尼系數(shù)

信息增益、信息增益率

屬性最佳劃分

多元?jiǎng)澐峙c二元?jiǎng)澐?/span>

連續(xù)變量最優(yōu)劃分

決策樹(shù)修剪

剪枝原則

預(yù)剪枝與后剪枝

3、 構(gòu)建決策樹(shù)的算法

C5.0、CHAID、CART、QUEST

各種算法的比較

4、 決策樹(shù)的超參優(yōu)化

5、 決策樹(shù)的解讀

6、 決策樹(shù)建模過(guò)程

案例商場(chǎng)酸奶購(gòu)買(mǎi)用戶特征提取

案例:客戶流失預(yù)警與客戶挽留

案例:識(shí)別拖欠銀行貨款者的特征,避免不良貨款

案例:識(shí)別電信詐騙者嘴臉,讓通信更安全

案例:電力竊漏用戶自動(dòng)識(shí)別

第五部分: 人工神經(jīng)網(wǎng)絡(luò)

1、 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介(ANN)

2、 神經(jīng)元基本原理

加法器

激活函數(shù)

3、 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

隱藏層數(shù)量

神經(jīng)元個(gè)數(shù)

4、 神經(jīng)網(wǎng)絡(luò)的建立步驟

5、 神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問(wèn)題

6、 BP算法實(shí)現(xiàn)

7、 MLP多層神經(jīng)網(wǎng)絡(luò)

案例評(píng)估銀行用戶拖欠貨款的概率

案例:神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)產(chǎn)品銷量

第六部分: 線性判別分析(LDA

1、 判別分析簡(jiǎn)介

基本思想

2、 判別分析種類

3、 判別分析算法

類間散席

類內(nèi)散席

4、 LDA線性判別模型

5、 多分類判別分析

案例:MBA學(xué)生錄取判別分析

案例:上市公司類別評(píng)估

第七部分: 最近鄰分類(KNN

1、 KNN的基本原理

2、 K近鄰的關(guān)鍵問(wèn)題

3、 K近鄰的實(shí)現(xiàn)算法

Brute暴力計(jì)算

Kd_tree

Ball_tre

第八部分: 樸素貝葉斯分類(NBN)

1、 貝葉斯簡(jiǎn)介

2、 貝葉斯分類原理

先驗(yàn)概率和后驗(yàn)概率

條件概率和類概率

3、 常見(jiàn)貝葉斯網(wǎng)絡(luò)

4、 計(jì)算類別屬性的條件概率

5、 估計(jì)連續(xù)屬性的條件概率

6、 預(yù)測(cè)分類概率(計(jì)算概率)

7、 拉普拉斯修正

案例評(píng)估銀行用戶拖欠貨款的概率

 

第九部分: 支持向量機(jī)(SVM

1、 支持向量機(jī)簡(jiǎn)介

適用場(chǎng)景

2、 支持向量機(jī)原理

支持向量

最大邊界超平面

3、 線性不可分處理

松弛系數(shù)

4、 非線性SVM分類

5、 常用核函數(shù)

線性核函數(shù)

多項(xiàng)式核

高斯RBF核

核函數(shù)的選擇原則

6、 SMO算法

第十部分: 模型集成優(yōu)化篇

1、 模型的優(yōu)化思想

2、 集成模型的框架

Bagging

Boosting

Stacking

3、 集成算法的關(guān)鍵過(guò)程

弱分類器如何構(gòu)建

組合策略:多個(gè)弱學(xué)習(xí)器如何形成強(qiáng)學(xué)習(xí)器

4、 Bagging集成算法

數(shù)據(jù)/屬性重抽樣

決策依據(jù):少數(shù)服從多數(shù)

隨機(jī)森林RandomForest

5、 Boosting集成算法

基于誤分?jǐn)?shù)據(jù)建模

樣本選擇權(quán)重更新

決策依據(jù):加權(quán)投票

AdaBoost模型

6、 GBDT模型

7、 XGBoost模型

8、 LightGBM模型

 

第十一部分: 案例實(shí)戰(zhàn)

1、 客戶流失預(yù)測(cè)和客戶挽留模型

2、 銀行欠貸風(fēng)險(xiǎn)預(yù)測(cè)模型

 

結(jié)束:課程總結(jié)問(wèn)題答疑。

 
反對(duì) 0舉報(bào) 0 收藏 0
更多>與Python數(shù)據(jù)建模相關(guān)內(nèi)訓(xùn)課
企業(yè)家經(jīng)營(yíng)哲學(xué)與企業(yè)經(jīng)營(yíng)之道 高   效   執(zhí)   行   力 教練式經(jīng)銷商管理 商業(yè)模式創(chuàng)新 創(chuàng)新思維管理應(yīng)用訓(xùn)練?—?jiǎng)?chuàng)造性解決問(wèn)題 創(chuàng)新思維和有效執(zhí)行 微課的設(shè)計(jì)與制作 高效能主管風(fēng)暴訓(xùn)練營(yíng)
傅一航老師介紹>傅一航老師其它課程
大數(shù)據(jù)產(chǎn)業(yè)現(xiàn)狀及應(yīng)用創(chuàng)新 大數(shù)據(jù)挖掘工具:SPSS Modeler入門(mén)與提高 大數(shù)據(jù)挖掘工具: SPSS Statistics入門(mén)與提高 大數(shù)據(jù)建模與模型優(yōu)化實(shí)戰(zhàn)培訓(xùn) 金融行業(yè)風(fēng)險(xiǎn)預(yù)測(cè)模型實(shí)戰(zhàn) 數(shù)說(shuō)營(yíng)銷——大數(shù)據(jù)營(yíng)銷實(shí)戰(zhàn)培訓(xùn) 大數(shù)據(jù)分析與挖掘綜合能力提升實(shí)戰(zhàn) 助力市場(chǎng)營(yíng)銷與服務(wù)的數(shù)據(jù)分析實(shí)戰(zhàn)
網(wǎng)站首頁(yè)  |  關(guān)于我們  |  聯(lián)系方式  |  誠(chéng)聘英才  |  網(wǎng)站聲明  |  隱私保障及免責(zé)聲明  |  網(wǎng)站地圖  |  排名推廣  |  廣告服務(wù)  |  積分換禮  |  網(wǎng)站留言  |  RSS訂閱  |  違規(guī)舉報(bào)  |  京ICP備11016574號(hào)-25